감염병 연구, 개체 수 집계, 야생동물 모니터링에서 효율적인 이미지 분석을 위해 Martin Schätz가 YOLOv5 를 어떻게 활용하고 있는지 알아보세요.
수많은 이미지, 데이터, 결과 등을 평가해야 했던 적이 있나요? 프로세스를 더 복잡하게 만들기 위해 이러한 평가를 수동으로 수행해야 했던 적이 있나요? 물론 시간이 엄청나게 많이 걸립니다.
마틴 셰츠에게 YOLOv5 는 감염병 연구 및 모니터링과 관련된 이미지 분석에 필요한 시간을 단축하는 데 유용한 도구로 입증되었습니다. Martin은 여러 가지 일을 동시에 수행하지만, 그가 "컴퓨터 과학과 생물학의 접점"이라고 설명하는 바이오 이미지 분석에 중점을 두고 있습니다. 저희는 마틴의 군집 모니터링 및 계수 작업에 대해 더 자세히 알고 싶어서 그를 만나 몇 가지 질문을 던졌습니다.
Martin이 프로젝트에 YOLOv5 을 구현하게 된 배경에는 물체 감지, 분류, 카운팅을 위한 기존 프로세스를 자동화해야 한다는 필요성이 있었습니다. Martin은 또한 장기 진화 실험과 같은 사례에 YOLOv5 을 사용하는 것을 목표로 하고 있습니다.
실험실에서 한천 접시에서 자란 박테리아 군집은 일반적으로 기술자가 수작업으로 계 수합니다. 안타깝게도 수동 계수는 오류가 발생하기 쉬운 결과를 초래할 수 있습니다. 이 문제를 해결하기 위해 Martin은 YOLOv5 을 활용하여 계수 프로세스를 자동화했습니다. 이 접근 방식은 콜로니 감지 및 분류와 관련된 오류와 시간을 크게 줄였습니다.
현미경 세계에서 테스트를 수행하려면 도말을 평가해야 합니다. 이는 여전히 대부분 수동으로 수행되는 프로세스입니다. 아시다시피, 수동 프로세스는 오류와 결과의 변동이 발생하기 쉽습니다. 또한 특정 형태의 물체 감지를 위한 적절한 도구는 존재하지만, 다양한 물체의 자동 계수 및 분류를 위한 보다 전문화된 도구는 존재하지 않습니다.
"제 동료들은 숲과 다른 장소에서 야생동물을 촬영하고, 보통 수백 개의 비디오를 수동으로 살펴봐야 합니다."
마틴은 영상에서 멧돼지나 사슴을 수동으로 검색하는 데 엄청난 시간이 걸릴 수 있다는 점을 염두에 두고 객체 감지 기능이 이 프로세스를 최적화할 수 있다고 생각했습니다. 그래서 동물이 카메라의 시야에 들어왔을 때 쉽고 즉각적으로 감지할 수 있는 YOLOv5 을 구현했습니다.
석사 학위를 위해 Martin은 "이미지 분석에 대한 고전적 접근법"이라고 부르는 것을 공부했습니다. 학위를 마치는 동안 딥 러닝에 대한 논의가 점점 더 많아지고 있었는데, 당시에는 "컨볼루션 네트워크"라고만 불렸던 것이죠.
이 기간 동안 마틴은 데이터 마이닝 작업을 하고 있었는데, 그다지 유용하지 않았습니다. 데이터를 직접 다뤄보고 싶었던 마틴은 머신러닝과 비전 AI의 세계로 뛰어들기로 결정했습니다.
현재로서는 ML과 비전 AI를 학습하는 과정이 상당히 복잡할 수 있습니다. 한동안 비전 AI를 사용해 온 사람으로서 Martin은 시작하려는 사람에게 세 가지 사항을 언급했습니다:
마틴 셰츠 는 공초점 현미경의 바이오이미지 분석과 데이터 처리에 중점을 두고 가르치는 연구자입니다. Martin이 진행하고 있는 프로젝트의 동기는 감염병 연구 및 모니터링을 위한 이미지 분석 프로세스를 최적화하는 것입니다. Martin의 세 가지 프로젝트에 대한 문서와 자세한 내용은 다음에서 확인할 수 있습니다. 깃허브 리포지토리. 또한 Martin은 NEUBIAS의 일원으로, 생물학/현미경학 분야에서 가장 많이 사용되는 과학적 이미지 분석 도구를 홍보하는 단체입니다. 훈련된 딥 러닝 모델 을 포함합니다.
여러분의 YOLOv5 사용 사례도 주목해 주세요! 소셜 미디어(Ultralytics )에서 #YOLOvME를 태그하고 소개될 수 있는 기회를 놓치지 마세요.
